Ultra-Peripheral Collisions as a Nuclear-Structure Interferometer with Interpretable Multitask Deep Learning

Technische Samenvatting: Ultra-Perifere Collisies als een Nucleaire Structuur-Interferometer met Interpreteerbaar Multitask Deep Learning

Probleemstelling
De nauwkeurige bepaling van de nucleaire structuur, specifiek de simultane extractie van collectieve vormdeformatie (bijv. kwadrupooldeformatie $\beta_2$) en de neutronenhuid-dikte ($\Delta r_{np}$), blijft een significante uitdaging. Klassieke sondes zoals elastische elektronverstrooiing worden geconfronteerd met een "structureel verstrengelingsprobleem", waarbij signaturen van deformatie en de neutronenhuid onlosmakelijk gekoppeld zijn aan observables. Hoewel ultra-perifele collisies (UPC's) een pad bieden naar coherente interferentie-tomografie — waarbij het versnelde elektromagnetische veld van één kern fungeert als een laserbron en de twee kernen fungeren als een dubbel-slit aperture — is het extraheren van kwantitatieve beperkingen uit de resulterende transversale momentumdistributies ($p_\perp$) een moeilijk invers probleem.

De kern van de moeilijkheid komt voort uit "holografische degeneratie". In experimenten zijn kernen willekeurig georiënteerd, wat leidt tot een ensemble-gemiddelde dat de interferentiefases uitvlakt. Deze stochastische fluctuaties vullen interferentieminima op en creëren gecorreleerde verstoringen in het spectrum die eenvoudige analytische inversies niet kunnen ontwarren. Bovendien vervormen experimentele realiteiten zoals eindige detectorresolutie, incoherente fotoproductie-achtergronden en neutronen-tagging de effectieve impact-parameterdistributie, wat de zuivere scheiding tussen diffractie (gevoelig voor de neutronenhuid) en interferentie (gevoelig voor deformatie) patronen verder vertroebelt.

Methodologie
De auteurs stellen een interpreteerbaar Multitask Deep Learning-framework voor, geconceptualiseerd als een "AI-verbeterde lens" om transversale momentumdistributies direct te mappen naar meerdere nucleaire-structuurindicatoren.

1. Fysische Modellering: De studie simuleert coherente $J/\psi$ fotoproductie in $^{96}_{40}\text{Zr} + ^{96}_{40}\text{Zr}$ collisies bij $\sqrt{s_{NN}} = 200$ GeV met behulp van een Glauber vector-meson-dominance (VMD) framework. De nucleaire dichtheid wordt gemodelleerd met een gedeformeerd Woods–Saxon profiel dat kwadrupool ($\beta_2$) en octupool ($\beta_3$) deformaties incorporeert, evenals onderscheidende proton- en neutronenverdelingen om skin-type en halo-type neutronenhuiden te modelleren.
2. Datageneratie: De simulatie genereert 2D transversale momentumdistributies ($p_x, p_y$) gemiddeld over willekeurige Euler-hoeken om ensemble-averaging na te bootsen. Cruciaal is dat de trainingsdataset zowel coherente signalen als incoherente achtergronden bevat (gemodelleerd via standaard Glauber-benaderingen) om het netwerk te dwingen robuuste geometrische kenmerken te leren die resistent zijn tegen achtergrondcontaminatie.
3. Netwerkarchitectuur: Het framework maakt gebruik van een ResNet-34 backbone om de 224 $\times$ 224 inputafbeeldingen te verwerken. De architectuur gebruikt een gedeelde feature extractor (Stages 1–4) gevolgd door drie taakspecifieke heads: twee regressie-heads voor $\beta_2$ en $\beta_3$, en één classificatie-head voor neutronenhuid-type (Skin, Halo, of None). Dit multitask-ontwerp dwingt het netwerk om een verenigde latente representatie te leren die de gezamenlijke afhankelijkheid van het interferogram van zowel structurele effecten vangt.
4. Interpreteerbaarheid: Om de fysieke relevantie van het model te valideren, passen de auteurs Prediction Difference Analysis (PDA) toe om te identificeren welke regio's in de momentumruimte specifieke inferenties drijven.

Belangrijkste Resultaten

• Prestaties: Het model vertoont een hoge nauwkeurigheid in een stress-test omgeving inclusief incoherente achtergronden. Voor realistische achtergrondniveaus ($n=1$) bereikt het framework een $R^2 \approx 0.96$ voor $\beta_2$ en een $R^2 \approx 0.93$ voor $\beta_3$, met 99,3% nauwkeurigheid in het classificeren van neutronenhuid-types. Zelfs wanneer de incoherente doorsnede met twee ordes van grootte wordt versterkt ($n=100$), behoudt het model een robuuste prestatie, hoewel $\beta_3$ (die subtielere, gelokaliseerde modificaties induceert) iets sneller degradeert dan $\beta_2$.
• Kenmerk-ontwarring (Feature Disentanglement): De interpreteerbaarheidsanalyse onthult dat het netwerk erin slaagt de fysieke drijvers van de twee structurele sectoren te scheiden. De regressie van de deformatieparameters ($\beta_2, \beta_3$) wordt primair gedreven door de donkere interferentiefringes (fase-gevoelige regio's), terwijl de classificatie van het neutronenhuid-type steunt op de randen van de heldere diffractieplekken (amplitude-gevoelige regio's).
• Afleiding van Observables: De auteurs vertalen deze geleerde kenmerken naar experimenteel toegankelijke kinematische observables:
  • Deformatie: Gemapt naar de "fringe average value" (gemiddelde intensiteit van de onderste 5% van de pixels), wat correleert met de opbrengstratio bij zeer lage $p_T$ ($< 0.005$ GeV/c) en anisotrope flow-coëfficiënten ($v_2, v_3$) in het lage-$p_T$ regime.
  • Neutronenhuid: Gemapt naar de "half-width at half-maximum" (HWHM) van de heldere plekken, wat correleert met de gemiddelde transversale momentum $\langle p_T \rangle$ en anisotrope flow-coëfficiënten in het hogere $p_T$ gebied ($0.14 < p_T < 0.16$ GeV/c).

Betekenis en Claims
Het artikel beweert een oplossing te bieden voor het langdurige probleem van het simultaan beperken van nucleaire deformatie en neutronenhuid-dikte zonder de parameter-degeneraties die inherent zijn aan conventionele fittingprocedures. Door UPC's te behandelen als femtoscopische dubbel-slit experimenten en deep learning toe te passen, demonstreren de auteurs dat de verstrengelde signaturen van nucleaire vorm en oppervlakte-diffusiteit effectief ontkoppeld kunnen worden.

De primaire bijdrage is niet louter de toepassing van machine learning, maar de interpreteerbaarheid van het model, die de brug slaat tussen hoog-dimensionale spectrale vormen en specifieke kinematische vensters. De auteurs stellen dat standaard flow-harmonischen en opbrengstratio's binnen de geïdentificeerde kinematische vensters als proxies kunnen dienen voor de complexe interferentiepatronen, waardoor kwantitatieve beperkingen op nucleaire geometrie mogelijk zijn zonder dat volledige beeldreconstructie of model-afhankelijke globale fits vereist zijn. Het werk suggereert dat deze "AI-verbeterde lens" kan worden uitgebreid naar het onderzoeken van ruimtelijke gluon-densiteiten en generalized parton distributions, wat een nieuwe weg biedt om de kern op de femtometer-schaal te imagineren.